CN113053520A - 肺结核检测模型的训练方法、训练装置及辅助诊断设备 - Google Patents
肺结核检测模型的训练方法、训练装置及辅助诊断设备 Download PDFInfo
- Publication number
- CN113053520A CN113053520A CN202110359539.6A CN202110359539A CN113053520A CN 113053520 A CN113053520 A CN 113053520A CN 202110359539 A CN202110359539 A CN 202110359539A CN 113053520 A CN113053520 A CN 113053520A
- Authority
- CN
- China
- Prior art keywords
- chest
- tuberculosis
- righting
- detection model
- film
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肺结核检测模型的训练方法、训练装置及辅助诊断设备,训练时,先采集样本胸片dcm数据,并且将dcm数据转换为png数据,然后判断其是否是非正位胸片,从而筛选得到正位胸片;影像科专家利用临床诊断信息、痰结核菌检查的结果并结合正位胸片,筛选出属于结核病患者的正位胸片;影像科专家对属于结核病患者的正位胸片进行标注,用标注框标注出其中的结核病病灶;将经过标注的正位胸片输入多尺度检测模型中进行训练,得到训练好的多尺度肺结核检测模型。利用本发明可以得到检测性能高的肺结核检测模型。
Description
技术领域
本发明涉及肺结核检测技术领域,具体涉及一种肺结核检测模型的训练方法、训练装置及辅助诊断设备。
背景技术
结核病仍然是威胁人类健康的主要公共卫生问题,目前我国每年新发肺结核病人约90万左右。及时、准确地诊断和彻底治愈结核病患者,是恢复患者健康、消除传染源和控制结核病流行的最重要措施。医疗影像辅助诊断设备能够在大规模检测肺结核筛查任务中发挥巨大的作用。但是目前市面上的基于胸片的肺结核辅助检测设备检测普遍面临敏感性低,假阳率高的问题。同时对于非正位胸片没有进行进一步的处理,导致出现不合理的检测结果。
发明内容
针对现有技术的不足,本发明旨在提供一种肺结核检测模型的训练方法、训练装置及辅助诊断设备。
为了实现上述目的,本发明采用如下技术方案:
一种肺结核检测模型的训练方法,具体过程如下:
S1、采集样本胸片dcm数据,并且将dcm数据转换为png数据;
S2、对步骤S1得到的png数据进行处理,判断其是否是非正位胸片,从而筛选得到正位胸片;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
S3、影像科专家利用临床诊断信息、痰结核菌检查的结果并结合正位胸片,筛选出属于结核病患者的正位胸片;
S4、影像科专家对属于结核病患者的正位胸片进行标注,用标注框标注出其中的结核病病灶;
S5、将步骤S4得到的经过标注的正位胸片及标注框信息输入多尺度检测模型中进行训练,得到训练好的多尺度肺结核检测模型。
本发明提供一种实现上述方法的肺结核检测模型的训练装置,包括:
胸片采集模块:用于采集样本胸片dcm数据,并将dcm数据转换为png数据;
非正位胸片判断模块:用于对胸片采集模块得到的png数据进行判断,判断其是否是非正位胸片;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
诊断模块:用于供影像科专家利用临床诊断信息、痰结核菌检查的结果结合正位胸片,筛选出属于结核病患者的正位胸片;
标注模块:用于供影像科专家对属于结核病患者的正位胸片进行标注,用标注框标注出其中的结核病病灶;
模型训练模块:用于将经过标注的正位胸片及标注框信息输入多尺度检测模型中进行训练,得到训练好的多尺度肺结核检测模型。
本发明还提供一种利用上述训练方法得到的肺结核检测模型的辅助诊断设备,包括:
非正位胸片判断模块:用于对待检测的胸片进行判断,判断其是否是非正位胸片,如果是非正位胸片,在胸片上标注为非正位胸片后输出,如果是正位胸片,则输出至正位胸片缩放模块;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
正位胸片缩放模块:对正位胸片进行放缩,得到包含更小尺度、原始大小以及更大尺度的多种不同尺度的正位胸片,然后将多种不同尺度的正位胸片输入至多尺度肺结核检测模型中进行检测;
多尺度肺结核检测模型:利用上述训练方法训练得到,用于对多种不同尺度的正位胸片进行检测,得到多种尺度的肺结核检测预测结果;然后将所有尺度的肺结核检测预测结果进行合并,再用固定的置信度阈值将高置信度的检测框筛选出来得到最终的检测结果。
本发明的有益效果在于:
1、本发明中,利用经过影像科专家诊断和标注的胸片对模型进行训练,保证了胸片样本的高质量。
2、本发明针对肺结核病灶存在弥散状的特征,引入了多尺度检测模型来提高肺结核检测模型的性能。
3、本发明引入了单独的非正位胸片判断模块来对非正位胸片进行排除,从而进一步降低假阳性。
附图说明
图1为本发明实施例1的方法流程示意图;
图2为本发明实施例4的方法流程示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
实施例1
本实施例提供一种肺结核检测模型的训练方法,如图1所示,具体过程如下:
S1、采集样本胸片dcm数据,并且将dcm数据转换为png数据便于后续的处理。
S2、对步骤S1得到的png数据进行处理,判断其是否是非正位胸片,从而筛选得到正位胸片;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
S3、影像科专家利用临床诊断信息、痰结核菌检查的结果并结合正位胸片,筛选出属于结核病患者的正位胸片;
S4、影像科专家对属于结核病患者的正位胸片进行标注,用标注框标注出其中的结核病病灶;
S5、将步骤S4得到的经过标注的正位胸片及标注框信息输入多尺度检测模型中进行训练,得到训练好的多尺度肺结核检测模型。
实施例2
本实施例提供一种实现实施例1所述方法的肺结核检测模型的训练装置,包括:
胸片采集模块:用于采集样本胸片dcm数据,并将dcm数据转换为png数据;
非正位胸片判断模块:用于对胸片采集模块得到的png数据进行判断,判断其是否是非正位胸片;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
诊断模块:用于供影像科专家利用临床诊断信息、痰结核菌检查的结果结合正位胸片,筛选出属于结核病患者的正位胸片;
标注模块:用于供影像科专家对属于结核病患者的正位胸片进行标注,用标注框标注出其中的结核病病灶;
模型训练模块:用于将经过标注的正位胸片及标注框信息输入多尺度检测模型中进行训练,得到训练好的多尺度肺结核检测模型。
实施例3
本实施例提供一种具有实施例1方法得到的肺结核检测模型的诊断设备,包括:
非正位胸片判断模块:用于对待检测的胸片进行判断,判断其是否是非正位胸片,如果是非正位胸片,在胸片上标注为非正位胸片后输出,如果是正位胸片,则输出至正位胸片缩放模块;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
正位胸片缩放模块:对正位胸片进行放缩,得到包含更小尺度、原始大小以及更大尺度的多种不同尺度的正位胸片,然后将多种不同尺度的正位胸片输入至多尺度肺结核检测模型中进行检测;
多尺度肺结核检测模型:利用实施例1所述方法训练得到,用于对多种不同尺度的正位胸片进行检测,得到多种尺度的肺结核检测预测结果;然后将所有尺度的肺结核预测结果进行合并,再用固定的置信度阈值将高置信度的检测框筛选出来得到最终的检测结果。
实施例4
本实施例提供一种利用实施例1方法训练得到的肺结核检测模型的检测方法,如图2所示,具体过程为:
对于待检测的胸片,首先判断其是否是包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片在内的非正位胸片,如果是非正位胸片,在胸片上标注为非正位胸片后输出;
如果是正位胸片,对正位胸片进行放缩,分别得到更小尺度、原始大小以及更大尺度的多种不同尺度的正位胸片,再将多种不同尺度的正位胸片输入多尺度肺结核检测模型中进行预测,得到多种尺度的肺结核检测预测结果;然后将所有尺度的肺结核检测预测结果进行合并,再用固定的置信度阈值将高置信度的检测框筛选出来得到最终的检测结果。
实施例5
本实施例中,为了验证实施例1方法的优势,将收集得到的12195 张肺结核胸片划分为训练集(10195张)和验证集(2000张)。实施例1方法得到的多尺度肺结核检测模型能够在验证集上取得 AP@0.5=0.425的性能。在更大范围内的20000张包含健康人胸片的验证集上判断是否正确检出肺结核患者的任务上,实施例1方法得到的多尺度肺结核检测模型取得了AUC=0.933的性能。由此可以得出实施例1方法得到的多尺度肺结核检测模型能够有效地筛查肺结核患者的胸片并且能够准确地定位肺结核病灶位置。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括在本发明权利要求的保护范围之内。
Claims (3)
1.一种肺结核检测模型的训练方法,其特征在于,具体过程如下:
S1、采集样本胸片dcm数据,并且将dcm数据转换为png数据;
S2、对步骤S1得到的png数据进行处理,判断其是否是非正位胸片,从而筛选得到正位胸片;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
S3、影像科专家利用临床诊断信息、痰结核菌检查的结果并结合正位胸片,筛选出属于结核病患者的正位胸片;
S4、影像科专家对属于结核病患者的正位胸片进行标注,用标注框标注出其中的结核病病灶;
S5、将步骤S4得到的经过标注的正位胸片及标注框信息输入多尺度检测模型中进行训练,得到训练好的多尺度肺结核检测模型。
2.一种实现权利要求1所述方法的肺结核检测模型的训练装置,其特征在于,包括:
胸片采集模块:用于采集样本胸片dcm数据,并将dcm数据转换为png数据;
非正位胸片判断模块:用于对胸片采集模块得到的png数据进行判断,判断其是否是非正位胸片;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
诊断模块:用于供影像科专家利用临床诊断信息、痰结核菌检查的结果结合正位胸片,筛选出属于结核病患者的正位胸片;
标注模块:用于供影像科专家对属于结核病患者的正位胸片进行标注,用标注框标注出其中的结核病病灶;
模型训练模块:用于将经过标注的正位胸片及标注框信息输入多尺度检测模型中进行训练,得到训练好的多尺度肺结核检测模型。
3.一种具有权利要求1所述方法得到的肺结核检测模型的辅助诊断设备,其特征在于,包括:
非正位胸片判断模块:用于对待检测的胸片进行判断,判断其是否是非正位胸片,如果是非正位胸片,在胸片上标注为非正位胸片后输出,如果是正位胸片,则输出至正位胸片缩放模块;非正位胸片包括手骨、侧位胸片以及其他拍摄失败不符合肺结核阅片标准的胸片;
正位胸片缩放模块:对正位胸片进行放缩,得到包含更小尺度、原始大小以及更大尺度的多种不同尺度的正位胸片,然后将多种不同尺度的正位胸片输入至多尺度肺结核检测模型中进行检测;
多尺度肺结核检测模型:利用权利要求1所述方法训练得到,用于对多种不同尺度的正位胸片进行检测,得到多种尺度的肺结核检测预测结果;然后将所有尺度的肺结核检测预测结果进行合并,再用固定的置信度阈值将高置信度的检测框筛选出来得到最终的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359539.6A CN113053520A (zh) | 2021-04-02 | 2021-04-02 | 肺结核检测模型的训练方法、训练装置及辅助诊断设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359539.6A CN113053520A (zh) | 2021-04-02 | 2021-04-02 | 肺结核检测模型的训练方法、训练装置及辅助诊断设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113053520A true CN113053520A (zh) | 2021-06-29 |
Family
ID=76517479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359539.6A Pending CN113053520A (zh) | 2021-04-02 | 2021-04-02 | 肺结核检测模型的训练方法、训练装置及辅助诊断设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113053520A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170337686A1 (en) * | 2016-05-19 | 2017-11-23 | Sichuan University | Kind of x-ray chest image rib suppression method based on poisson model |
CN109448854A (zh) * | 2018-09-14 | 2019-03-08 | 慧影医疗科技(北京)有限公司 | 一种肺结核检测模型的构建方法及应用 |
CN109727238A (zh) * | 2018-12-27 | 2019-05-07 | 贵阳朗玛信息技术股份有限公司 | X光胸片的识别方法及装置 |
CN110175993A (zh) * | 2019-05-27 | 2019-08-27 | 西安交通大学医学院第一附属医院 | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 |
CN112037212A (zh) * | 2020-09-04 | 2020-12-04 | 北京掌引医疗科技有限公司 | 一种基于深度学习的肺结核dr影像识别方法 |
CN112116562A (zh) * | 2020-08-26 | 2020-12-22 | 重庆市中迪医疗信息科技股份有限公司 | 基于肺部影像数据检测病灶的方法、装置、设备及介质 |
CN112241961A (zh) * | 2020-09-22 | 2021-01-19 | 深圳视见医疗科技有限公司 | 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统 |
-
2021
- 2021-04-02 CN CN202110359539.6A patent/CN113053520A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170337686A1 (en) * | 2016-05-19 | 2017-11-23 | Sichuan University | Kind of x-ray chest image rib suppression method based on poisson model |
CN109448854A (zh) * | 2018-09-14 | 2019-03-08 | 慧影医疗科技(北京)有限公司 | 一种肺结核检测模型的构建方法及应用 |
CN109727238A (zh) * | 2018-12-27 | 2019-05-07 | 贵阳朗玛信息技术股份有限公司 | X光胸片的识别方法及装置 |
CN110175993A (zh) * | 2019-05-27 | 2019-08-27 | 西安交通大学医学院第一附属医院 | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 |
CN112116562A (zh) * | 2020-08-26 | 2020-12-22 | 重庆市中迪医疗信息科技股份有限公司 | 基于肺部影像数据检测病灶的方法、装置、设备及介质 |
CN112037212A (zh) * | 2020-09-04 | 2020-12-04 | 北京掌引医疗科技有限公司 | 一种基于深度学习的肺结核dr影像识别方法 |
CN112241961A (zh) * | 2020-09-22 | 2021-01-19 | 深圳视见医疗科技有限公司 | 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Moura et al. | Deep convolutional approaches for the analysis of covid-19 using chest x-ray images from portable devices | |
Lin et al. | AANet: Adaptive attention network for COVID-19 detection from chest X-ray images | |
CN102096917A (zh) | 胶囊内窥镜冗余图像数据的自动剔除方法 | |
Lahsaini et al. | Deep transfer learning based classification model for covid-19 using chest CT-scans | |
WO2019052062A1 (zh) | 基于人工智能的医学影像报告生成系统及方法 | |
Born et al. | Accelerating covid-19 differential diagnosis with explainable ultrasound image analysis | |
WO2024016575A1 (zh) | 一种基于cbam机制的残差网络的医学影像辅助检测方法 | |
CN108922599A (zh) | 一种基于mil的医学图像病灶点精确标注方法 | |
CN110895815A (zh) | 一种基于深度学习的胸部x线气胸分割方法 | |
Siddhu et al. | Review paper for detection of COVID-19 from medical images and/or symptoms of patient using machine learning approaches | |
Wen et al. | ACSN: Attention capsule sampling network for diagnosing COVID-19 based on chest CT scans | |
CN117409016A (zh) | 一种磁共振图像自动分割方法 | |
CN113053520A (zh) | 肺结核检测模型的训练方法、训练装置及辅助诊断设备 | |
Tang et al. | CNN-based automatic detection of bone conditions via diagnostic CT images for osteoporosis screening | |
Uttam | Transfer Learning-Based Approach for Identification of COVID-19 | |
Kanumuri et al. | Novel approach in classification and prediction of COVID-19 from radiograph images using CNN | |
Almourish et al. | COVID-19 diagnosis based on CT images using pre-trained models | |
CN113222984A (zh) | 基于细粒度图像识别及目标检测算法的x光片新冠肺炎识别检测方法 | |
Fuad et al. | Evaluation of the number of epochs in an automated COVID-19 detection system from x-ray images using deep transfer learning | |
Devaraj et al. | Deep U-Net Network for identifying Covid 19 infection Using X Ray Images | |
CN116864123A (zh) | 肺结核检测模型的训练方法、训练装置及辅助诊断设备 | |
WO2021229288A1 (en) | System and method for diagnosis of diseases from medical images | |
CN113450268A (zh) | 一种基于后验概率的图像降噪方法 | |
Sarkar et al. | Identification of images of COVID-19 from Chest Computed Tomography (CT) images using Deep learning: Comparing COGNEX VisionPro Deep Learning 1.0 Software with Open Source Convolutional Neural Networks | |
Fuad et al. | Implementation of DeepLearning for automatic classification of Covid-19 x-ray images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |
|
RJ01 | Rejection of invention patent application after publication |